Kontextuelle KI-Suche
GraphRAG – Beyond Basic Search
Graph-basiertes Retrieval-Augmented Generation für tiefes, kontextuelles Verständnis.
Die Bibliothekars-Analogie
Einfaches RAG
Stell dir einen Bibliothekar vor, der nur nach Schlüsselwörtern sucht. Er findet dir das Buch mit dem Wort "Einstein" – aber er versteht nicht, dass Einstein mit der Relativitätstheorie, Quantenphysik und dem Manhattan-Projekt zusammenhängt.
Graph RAG
Ein Bibliothekar mit einem Wissensgraphen kennt alle Verbindungen. Er weiß, dass Einstein Bohr kannte, der Bohr'sche Atomaufbau die Quantenmechanik beeinflusste, und dass dies alles mit Heisenbergs Unschärferelation zusammenhängt. Er kann mehrstufige Fragen beantworten.
Was ist ein Wissensgraph?
Ein Wissensgraph repräsentiert Entitäten (Knoten) und ihre Beziehungen (Kanten) in einer strukturierten Form. Nehmen wir Einstein als Beispiel:
Vergleich: Basic RAG vs. Graph RAG
| Merkmal | Basic RAG | Graph RAG |
|---|---|---|
| Context depth | Flat, chunk-based | Multi-hop, relational |
| Answer accuracy | Good for direct Q&A | Better for complex reasoning |
| Explainability | Low | High (traceable paths) |
| Setup complexity | Low | High |
| Cost | Low | Higher |
Vorteile und Nachteile
Vorteile
- Captures multi-hop relationships between entities
- Provides explainable reasoning paths
- Handles complex, cross-domain questions
- Reduces hallucinations through structured grounding
- Scales to very large knowledge bases
Nachteile
- Higher initial setup and maintenance cost
- Requires graph database expertise
- Entity extraction adds preprocessing overhead
- Not always necessary for simple Q&A tasks